| name | modelscope_model_update |
| description | 扫描 ModelScope 前沿模型、验证"魔搭社区"API 来源、用权威榜单评估性能、 生成推荐报告，用户确认后写入 keys.json。覆盖 LLM/VL/aigc_image/aigc_video （可写入）+ TTS/ASR（仅记录）共 6 个方向。 触发词：更新modelscope、更新魔搭模型、modelscope模型、前沿模型清单、 项目缺什么模型、扫描魔搭、魔搭社区。当用户提到 ModelScope、魔搭、 前沿模型清单、补齐项目模型方向时触发。
|
| task_type | adhoc.modelscope_model_update |
ModelScope 模型库更新 Skill
概述
定期或不定期扫描 ModelScope 网站上支持 API 调用的前沿模型，验证 API 提供方含"魔搭社区"（排除仅支持 OpenAI/Anthropic 等外部源的模型），用三大权威榜单（artificialanalysis.ai / arena.ai / superclueai.com）评估性能，生成推荐报告，用户 AskUserQuestion 确认后写入 data/llm/keys.json。
ModelScope 入口：https://modelscope.cn/models?filter=inference_type&page=1&tabKey=task（已预选只展示支持 API 调用的模型）
方向覆盖（6 类）：
- LLM / VL / aigc_image / aigc_video → 可写入 keys.json（项目已有 use_case）
- TTS / ASR → 仅记录在推荐报告中（项目当前无 use_case，未来用到再说）
触发词
- "更新 modelscope"
- "更新魔搭模型"
- "modelscope 模型"
- "前沿模型清单"
- "项目缺什么模型"
- "扫描魔搭"
- "魔搭社区"
工作流程
阶段 1：读取项目当前模型覆盖
- 读
data/llm/keys.json，按 scope 字段聚合已有模型：
llm → 文本生成方向vl → 视觉多模态方向aigc_image → 图片生成方向aigc_video → 视频生成方向- 语音方向当前为空
- 读
memory_get('modelscope_model_update') 了解上次更新进度、已知缺漏
阶段 2：识别缺漏方向并询问用户
- 对照 6 方向清单：
- LLM：至少 3 个前沿模型（覆盖通用/推理/快速三类）→ 可写入 keys.json
- VL：至少 2 个（覆盖纯视觉理解 + 多模态对话）→ 可写入 keys.json
- aigc_image：至少 2 个（覆盖写实 + 风格化）→ 可写入 keys.json
- aigc_video：至少 1 个 → 可写入 keys.json
- TTS：至少 1 个（项目当前无 use_case）→ 仅记录在报告中
- ASR：至少 1 个（项目当前无 use_case）→ 仅记录在报告中
- AskUserQuestion 问用户本次要更新哪些方向，避免全扫浪费时间
阶段 3：ModelScope 网站扫描（CDP）
- 启动调试浏览器：
python tools/browser/start_debug_browser.py（CDP 端口 9222）
- 必读：先查
.agents/skills/browser_lessons/ 看 modelscope.cn 是否有 sites 文件，有则读已知坑
- 访问入口 URL（已预选 API 调用过滤）
- 按用户选定方向点击左侧任务过滤项（详见
references/modelscope_site_guide.md）：
- LLM → "文本生成"
- VL → "视觉多模态理解"
- aigc_image → "文本生成图片"
- aigc_video → "文本生成视频"
- TTS → "语音合成"
- ASR → "语音识别"
- 翻页扫描模型卡片列表，提取每个模型的：模型 ID、简介前 100 字、下载量/点赞数
- 每个方向至少收集 5-10 个候选
阶段 4：API 来源验证（关键步骤）
- 对每个候选模型，逐个点开模型详情页
https://modelscope.cn/models/{model_id}
- 等待右侧 API 面板（class
acss-17aobl4，位置 left=896, w=384）渲染
- 判断规则：
- 面板标题为"推理 API-Inference" 且 提供方列表含"魔搭社区" → 可用
- 面板只显示"OpenAI"/"Anthropic"等其他来源 → 跳过（用户明确排除）
- 没有右侧 API 面板 → 跳过（不支持 API 调用）
- 记录可用模型的 API 调用方式（LLM=OpenAI 兼容、Image=异步任务等）
阶段 5：性能评估（权威榜单）
- 三个榜单的访问策略（详见
references/leaderboards_guide.md）：
- artificialanalysis.ai：WebFetch 公开页，查 LLM 的 quality/speed/price 三维
- arena.ai：需梯子。
RunCommand 启动你的梯子软件（如 Clash Verge），主页找"启动代理"开关。启动后用 CDP 浏览查 LLM 的 Elo 排名
- superclueai.com：WebFetch 公开页，查中文综合榜单
- 查不到榜单数据的模型：参考 ModelScope 站内下载量/点赞数 + 模型作者权威性（腾讯混元、阿里 Qwen、智谱 GLM 等大厂默认可靠）
- 重要：启动梯子前必须 AskUserQuestion 询问用户许可
阶段 6：生成推荐报告
- 输出到
workspace/modelscope_model_update/推荐报告_{日期}.md
- 每个方向一个小节，LLM/VL/aigc_image/aigc_video 段落标注"可写入 keys.json"，TTS/ASR 段落标注"仅记录，未来用到再说"
阶段 7：用户确认
- AskUserQuestion 让用户选择 LLM/VL/aigc_image/aigc_video 4 个方向各要采纳的模型（multiSelect）
- TTS/ASR 方向不进入确认环节，仅留在报告中供未来参考
- 用户确认后进入阶段 8
阶段 8：写入 keys.json（仅用户确认后，仅针对 4 个可写入方向）
- 读取
data/llm/keys.json
- 在
modelscope_modelscope_dsv4_pro_2ca90cd3 条目（或新增条目）的 models 数组追加新模型：
{
"name": "<model_id>",
"scope": ["<llm|vl|aigc_image|aigc_video>"],
"limits": {},
"tier": <按性能评估 1-5>,
"enabled": true
}
- 不写入 TTS/ASR 模型
version + 1，updated_at 更新为今天- 写记忆
memory_set('modelscope_model_update', {last_update, added_models, skipped_directions, tts_asr_reported_only})
关键约束（必须遵守）
- API 来源必验：必须确认右侧面板提供方含"魔搭社区"，否则跳过。绝不写入仅支持外部源的模型
- 仅推荐不擅改：阶段 1-7 只读不写 keys.json，必须用户 AskUserQuestion 确认后才能进入阶段 8
- TTS/ASR 仅记录：语音方向项目当前无 use_case，扫描结果只写进推荐报告，不进入阶段 7 确认、不写入 keys.json，未来用到再说
- 梯子需许可：启动 clash_verge 前 AskUserQuestion 询问用户
- 方向先问：阶段 2 必须先问用户本次更新哪些方向，避免全扫浪费时间
- 不擅自装库：用现有 requests/playwright/openai，不装新依赖
- 浏览器踩坑：CDP 操作前查
browser_lessons，新发现的坑写入 sites/modelscope-cn.md
依赖
| 依赖 | 路径/接口 | 说明 |
|---|
| 调试浏览器 | tools/browser/start_debug_browser.py | CDP 端口 9222 |
| Playwright | connect_over_cdp("http://127.0.0.1:9222") | 浏览 ModelScope |
| WebFetch | MCP 工具 | 抓 artificialanalysis.ai / superclueai.com |
| RunCommand | 启动 clash_verge | 仅 arena.ai 需要 |
| exec_python | 读写 keys.json | 用户确认后写入 |
| memory_get/set | 进度记忆 | 跨会话保留 |
| AskUserQuestion | 用户确认方向、采纳清单、梯子许可 | 阶段 2/5/7 |
输出
workspace/modelscope_model_update/推荐报告_{日期}.md（含 6 方向候选清单 + 性能评估 + 推荐结论）data/llm/keys.json（仅 4 个可写入方向，用户确认后更新）memory_set('modelscope_model_update', ...) 更新进度.agents/skills/browser_lessons/sites/modelscope-cn.md（首次扫描后写入踩坑经验）- 用户对话报告（候选清单摘要、性能对比、用户确认结果）
参考文档
与现有 skill 的关系
| skill | 关系 |
|---|
web_access | 入口决策：ModelScope 用 CDP（路径 3，需 JS 渲染），榜单用 WebFetch（路径 2，公开静态） |
browser_lessons | CDP 选中后必读依赖，首次扫描后写入 sites/modelscope-cn.md |
niuke_review | 结构参考：都是"WebFetch/CDP + 评分 + 报告"模式 |
apikey_test | 关联：写入 keys.json 后可调 apikey_test 验证新模型可用性 |
风险与限制
- ModelScope 改版风险：DOM 选择器（如
acss-17aobl4）为 2026-07 探索结果，失效时重新探索
- 榜单覆盖限制：三大榜单主要覆盖 LLM，图片/视频/语音模型常不在榜单上。无榜单数据时参考下载量 + 作者权威性
- arena.ai 梯子依赖：用户可能不想启动梯子，arena 是可选数据源
- TTS/ASR 仅记录：项目当前无 TTS/ASR use_case，扫描结果只写入推荐报告。未来若项目加入 TTS/ASR 能力，可参考报告中的候选模型，再走阶段 7-8 流程写入 keys.json
